本節將幫助您了解創建一個簡單的回歸預測模型與MPL的幫助。代表回歸MPL,需要遵循下麵描述的步驟:
步- 1:進口所需的模塊
創建一個回歸預測模型所需的必要的模塊如下:
進口keras
從keras。數據導入boston_housing
從sklearn。預處理進口規模
從keras。層進口密集
從keras。回調函數導入EarlyStopping
從sklearn進口預處理
從keras。優化進口RMSprop
- 2步:負載輸入數據
這裏我們將進口數據集:
(model_train model2_train) (model_test model2_test) = data_set.load_data ()- 3步:處理加載數據
處理數據加載,您可以參考下麵的代碼片段:
scaled_model_train = preprocessing.scale (model_train) scaler_data = preprocessing.StandardScaler () .fit (model_train) scaled_model_test = scaler.transform (model_test)- 4步:創建和編譯模型
首先,我們將創建實際模型與下麵的代碼:
模型=順序()模型。add(密度(64年,kernel_initializer =“正常”,激活= relu, input_shape =(8日)))模型。add(密度(64年,激活= ' relu ')) model.add(密集(1))現在,我們將使用下麵的代碼編譯模型:
model.compile (= mse的損失,優化器= RMSprop(),指標= [' mean_absolute_error '])- 5步:現在火車模型
曆史=模型。fit (scaled_model_train、model_train batch_size = 128,時代= 350,verbose = 1, validation_split = 0.2,回調= [EarlyStopping(監控=“val_loss”,耐心= 20))
)
曆史=模型。fit (scaled_model_train、model_train batch_size = 128,時代= 350,verbose = 1, validation_split = 0.2,回調= [EarlyStopping(監控=“val_loss”,耐心= 20)))- 6步:模型評價
分數=模型。評估(scaled_model_test model2_test verbose = 0)打印(“總測試損失:”,評分[0])打印(“總測試精度:”,評分[1])步驟7:預測的模型
預測= model.predict (scaled_model_test)打印(prediction.flatten())打印(model2_test)這樣就可以實現CNN的幫助下這些步驟和創建回歸預測。
